开箱即用的whisper-service服务

安装须知

Whisper官方网址

https://github.com/openai/whisper

Whisper 镜像站

https://docker.aityp.com/r/docker.io/onerahmet

本次提供的环境镜像为：docker.io/onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

运行环境要求

服务器架构

服务器架构要求x86_64，或x64，或amd64。

CUDA版本

使用nvidia-smi指令检查CUDA version是不是≥11.6

bash 复制代码

nvidia-smi

检查显卡驱动是否满足要求

此处示例显示12.4≥11.6，满足需求

目录文件说明

运行镜像

1.通过网络下载

bash 复制代码

docker pull onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

2.离线部署

whisper_v160.tar

模型权重文件

whisper_model 目录下的所有.pt文件为不同size的whisper模型权重

模型性能benchmark

Size	Parameters	English-only model	Multilingual model	Required VRAM	Relative speed
tiny	39 M	tiny.en	tiny	~1 GB	~10x
base	74 M	base.en	base	~1 GB	~7x
small	244 M	small.en	small	~2 GB	~4x
medium	769 M	medium.en	medium	~5 GB	~2x
large	1550 M	N/A	large	~10 GB	1x
turbo	809 M	N/A	turbo	~6 GB	~8x

服务安装

1. 导入基础镜像

通过docker pull的不需要这一步

复制代码

docker load -i whisper_v160.tar

2. 拷贝模型权重

使用任意指令拷贝到你管理下的目录

下述启动指令的/home/baijs/myway/whisper_model路径需要替换为你的服务器路径

3. Whisper 容器启动命令集

参考启动指令

启动 large 模型服务

映射宿主机9004端口到容器内部9000端口，使用数据卷映射服务器/home/baijs/myway/whisper_model的路径到内部:/root/.cache/whisper，

模型使用large，容器名为whisper_l

bash 复制代码

docker run -d -p 9004:9000 -v /home/baijs/myway/whisper_model:/root/.cache/whisper -e ASR_MODEL=large --name=whisper_l onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

启动 turbo 模型服务

映射宿主机9001端口到容器内部9000端口，使用相同的数据卷映射，模型使用turbo，容器名为whisper_turbo

bash 复制代码

docker run -d -p 9001:9000 -v /home/baijs/myway/whisper_model:/root/.cache/whisper -e ASR_MODEL=turbo --name=whisper_turbo onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

启动 medium 模型服务

映射宿主机9000端口到容器内部9000端口，使用相同的数据卷映射，模型使用medium，容器名为whisper_m

bash 复制代码

docker run -d -p 9000:9000 -v /home/baijs/myway/whisper_model:/root/.cache/whisper -e ASR_MODEL=medium --name=whisper_m onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

启动 small 模型服务

映射宿主机8999端口到容器内部9000端口，使用相同的数据卷映射，模型使用small，容器名为whisper_s

bash 复制代码

docker run -d -p 8999:9000 -v /home/baijs/myway/whisper_model:/root/.cache/whisper -e ASR_MODEL=small --name=whisper_s onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

启动 base 模型服务

映射宿主机8998端口到容器内部9000端口，使用相同的数据卷映射，模型使用base，容器名为whisper_base

bash 复制代码

docker run -d -p 8998:9000 -v /home/baijs/myway/whisper_model:/root/.cache/whisper -e ASR_MODEL=base --name=whisper_base onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

启动 tiny 模型服务

映射宿主机8997端口到容器内部9000端口，使用相同的数据卷映射，模型使用tiny，容器名为whisper_tiny

bash 复制代码

docker run -d -p 8997:9000 -v /home/baijs/myway/whisper_model:/root/.cache/whisper -e ASR_MODEL=tiny --name=whisper_tiny onerahmet/openai-whisper-asr-webservice:v1.6.0-gpu

4.跟踪容器日志

使用docker logs -f <容器名>或<容器ID>跟踪服务状态

例如此处我启动large模型，名称为whipser，容器id为688*，我跟踪容器日志：

可以看到日志显示超出显存，可以通过该方法排查问题

5.停止服务

docker stop <容器名>

示例：

bash 复制代码

docker stop whisper_base

6.服务重新启动

docker start <容器名>

如果服务是通过stop停止的，可以通过 start来快速恢复服务

示例

bash 复制代码

docker start whisper_tiny

可以看到服务快速就恢复了

服务使用

以medium模型为例，服务成功启动在宿主机9000端口后，访问<宿主机IP>:9000

示例地址：

http://192.168.10.60:9000/docs

示例效果：

这个服务提供了 2 个接口：

/asr ，自动语音识别，上传语音或视频文件，输出文本。
/detect-language ，检测语言，通过检测上传文件中前30s的音频，判断使用的语言。

1.自动语音识别

上传的test.mp3是一首名为《清空》的中文歌曲，可以看到正确识别了结果。

为什么李宗盛乱入了 = =

2.语言检测

使用方法同上

服务参数说明

1.自动语音识别服务 /asr

`encode`

类型: 布尔值 (查询参数)
默认值: true
说明: 决定是否在处理前通过ffmpeg对音频进行编码处理。设置为true时，服务会先用ffmpeg处理上传的音频文件，使其符合Whisper模型的输入要求。若您的音频已经是正确格式，可设为false跳过此步骤。

`task`

类型: 字符串 (查询参数)
默认值: transcribe
可选值
- transcribe: 将音频转录为原始语言的文本
- translate: 将音频转录并翻译为英语
说明: 指定处理任务的类型，保持原语言或翻译为英语

`language`

类型: 字符串 (查询参数)
可选值: 多种语言代码 (af, am, ar, 等...)

language: 主动声明音频是什么语言，默认不指定，模型可以自动识别。以下是Whisper ASR支持的语言代码及其对应的语言名称：

代码	语言名称	代码	语言名称	代码	语言名称
af	南非荷兰语	am	阿姆哈拉语	ar	阿拉伯语
as	阿萨姆语	az	阿塞拜疆语	ba	巴什基尔语
be	白俄罗斯语	bg	保加利亚语	bn	孟加拉语
bo	藏语	br	布列塔尼语	bs	波斯尼亚语
ca	加泰罗尼亚语	cs	捷克语	cy	威尔士语
da	丹麦语	de	德语	el	希腊语
en	英语	es	西班牙语	et	爱沙尼亚语
eu	巴斯克语	fa	波斯语	fi	芬兰语
fo	法罗语	fr	法语	gl	加利西亚语
gu	古吉拉特语	ha	豪萨语	haw	夏威夷语
he	希伯来语	hi	印地语	hr	克罗地亚语
ht	海地克里奥尔语	hu	匈牙利语	hy	亚美尼亚语
id	印度尼西亚语	is	冰岛语	it	意大利语
ja	日语	jw	爪哇语	ka	格鲁吉亚语
kk	哈萨克语	km	高棉语	kn	卡纳达语
ko	韩语	la	拉丁语	lb	卢森堡语
ln	林加拉语	lo	老挝语	lt	立陶宛语
lv	拉脱维亚语	mg	马达加斯加语	mi	毛利语
mk	马其顿语	ml	马拉雅拉姆语	mn	蒙古语
mr	马拉地语	ms	马来语	mt	马耳他语
my	缅甸语	ne	尼泊尔语	nl	荷兰语
nn	新挪威语	no	挪威语	oc	奥克语
pa	旁遮普语	pl	波兰语	ps	普什图语
pt	葡萄牙语	ro	罗马尼亚语	ru	俄语
sa	梵语	sd	信德语	si	僧伽罗语
sk	斯洛伐克语	sl	斯洛文尼亚语	sn	绍纳语
so	索马里语	sq	阿尔巴尼亚语	sr	塞尔维亚语
su	巽他语	sv	瑞典语	sw	斯瓦希里语
ta	泰米尔语	te	泰卢固语	tg	塔吉克语
th	泰语	tk	土库曼语	tl	塔加洛语
tr	土耳其语	tt	鞑靼语	uk	乌克兰语
ur	乌尔都语	uz	乌兹别克语	vi	越南语
yi	意第绪语	yo	约鲁巴语	yue	粤语
zh	中文

说明: 指定音频中使用的语言，有助于提高转录准确性。若不提供，系统会自动检测语言。

`initial_prompt`

类型: 字符串 (查询参数)
说明: 为转录提供上下文提示。这可以帮助模型更好地理解特定领域术语或预期的转录内容，特别是对于包含专业术语的音频很有帮助。

`word_timestamps`

类型: 布尔值 (查询参数)
默认值: false
说明: 启用后将生成单词级别的时间戳，标记每个单词在音频中的开始和结束时间。这对于创建精确的字幕或音频索引非常有用，但可能会增加处理时间。

`output`

类型: 字符串 (查询参数)
默认值: txt
可选值
- txt: 纯文本格式
- vtt: Web Video Text Tracks格式 (用于HTML5视频字幕)
- srt: SubRip字幕格式 (常用字幕格式)
- tsv: 制表符分隔值 (包含时间戳和段落的表格格式)
- json: JSON格式 (包含完整的元数据，如置信度分数、时间戳等)
说明: 指定转录结果的输出格式。不同格式适用于不同用途，如简单文本、视频字幕或需要详细元数据的应用。

这些参数可以根据您的具体需求组合使用，以获得最佳的转录结果和格式。

2.语言检测/detect-language

encode (布尔值, 默认: true): 是否在处理前通过ffmpeg对音频进行编码
audio_file (必需): 要检测语言的音频文件

百度云链接

我把离线的运行环境.tar和模型都下载下来了

通过网盘分享的文件：whisper

链接: https://pan.baidu.com/s/1D0MRGUsIjaQy0baVO7EzkA?pwd=1117

提取码: 1117